In unserem letzten Blog (opens new window) haben wir über die wesentlichen Unterschiede zwischen agentic KI (opens new window) und generative KI (opens new window) gesprochen - zwei aufregende Möglichkeiten, wie künstliche Intelligenz entweder Inhalte erstellen oder unabhängig handeln kann. Nun gehen wir einen Schritt weiter und tauchen ein in die Funktionsweise von agentic KI durch etwas, das als agentic Workflow bezeichnet wird.
Der agentic Workflow erweitert Large Language Models (LLMs) (opens new window) wie GPT (opens new window) über die bloße Reaktion auf Anfragen hinaus. Stattdessen verwandelt er sie in proaktive Problemlöser. Das bedeutet, dass sie Aufgaben in kleinere Schritte aufteilen, sich anpassen und ihre Ergebnisse verfeinern können - alles ohne ständige Anleitung. Genau das ermöglicht den Sprung von der reinen Generierung von Inhalten zur tatsächlichen Erledigung von Aufgaben.
In diesem Blog werden wir die wesentlichen Merkmale untersuchen, die eine KI agentic machen, und uns die Designmuster genauer ansehen, die diesen Modellen eine größere Autonomie und Anpassungsfähigkeit verleihen. Durch das Verständnis dieser Muster werden wir sehen, wie sich LLMs weiterentwickeln, um größere Rollen in verschiedenen Branchen zu übernehmen - sie werden nicht nur Assistenten sein, sondern unabhängige Agenten, die zu viel mehr fähig sind.
# Wesentliche Merkmale von Agentic KI
Nun, da wir die Grundlagen von agentic KI kennen, wollen wir uns seine wesentlichen Merkmale genauer ansehen und herausfinden, was es einzigartig macht.
Autonomie: Agentic KI erledigt Aufgaben unabhängig, ohne ständige menschliche Anleitung. Sie trifft Entscheidungen und ergreift Maßnahmen von selbst, was ihr ermöglicht, effizienter zu arbeiten und Aufgaben mit weniger Überwachung zu bewältigen.
Zielgerichtetes Verhalten: Agentic KI konzentriert sich auf spezifische Ziele. Sie plant und ergreift Maßnahmen, die sie diesen Zielen näher bringen, sei es die Fertigstellung eines Projekts, die Beantwortung einer Frage oder die Lösung eines Problems.
Anpassung und Lernen: Agentic KI passt ihr Verhalten basierend auf neuen Informationen oder Rückmeldungen an. Sie lernt aus Erfahrungen und verbessert im Laufe der Zeit ihre Leistung, was sie effektiver bei der Bewältigung von Aufgaben macht.
Komplexes Entscheidungsfindung: Agentic KI analysiert mehrere Faktoren und trifft Entscheidungen, die mehr als einfache Regeln erfordern. Sie bewältigt komplexe Situationen, wägt verschiedene Optionen ab und wählt den besten Handlungsweg.
Wahrnehmung der Umgebung: Agentic KI versteht ihre Umgebung und reagiert darauf. Sie nimmt Veränderungen um sich herum wahr und passt ihre Handlungen entsprechend an, was es ihr ermöglicht, auf neue Situationen zu reagieren und bessere Entscheidungen zu treffen.
# Die Kernmuster in Agentic KI Workflows
In diesem Abschnitt werden wir verschiedene Designmuster verstehen, die zur Entwicklung eines Agenten (opens new window) verwendet werden, wobei der Schwerpunkt darauf liegt, wie diese Muster es der KI ermöglichen, autonom zu funktionieren, sich an sich ändernde Umgebungen anzupassen und effektiv mit anderen Systemen oder Agenten zusammenzuarbeiten, um komplexe Ziele zu erreichen. Es werden vier Hauptmuster diskutiert:
- Reflexionsmuster
- Werkzeugnutzungsmuster
- Planungsmuster
- Multi-Agenten-Muster
Wir werden jedes Muster einzeln erkunden, um ihre Workflows zu verstehen.
# Reflexionsmuster
Das Reflexionsmuster ist eine Methode zur Selbstverbesserung, bei der ein KI-System seine Leistung nach Abschluss einer Aufgabe analysiert. Ähnlich wie ein Schüler, der nach einer Prüfung seine Antworten überprüft, vergleicht die KI ihre Ergebnisse mit dem Ziel und findet Fehler oder Bereiche zur Verbesserung. Indem sie versteht, was schief gelaufen ist, kann die KI ihre Vorgehensweise ändern, z. B. ihre Programme oder Sensoren anpassen, um beim nächsten Mal besser zu sein. Dieser Prozess des Rückblicks und des Lernens aus Fehlern hilft der KI, sich kontinuierlich zu verbessern und im Laufe der Zeit genauere und effizientere Ergebnisse zu erzielen.
In der Abbildung ist die KI damit beauftragt, alle Zahlen mit geradem Index aus der Liste [2, 4, 6, 7, 10] zu summieren. Die KI identifiziert zuerst die Zahlen mit geradem Index: 2 (Index 0), 6 (Index 2) und 10 (Index 4) und berechnet dann ihre Summe (2 + 6 + 10 = 18). Anschließend bewertet die KI ihr Ergebnis (opens new window) und vergleicht es mit dem erwarteten Ergebnis (18). Wenn das Ergebnis korrekt ist, ist die Aufgabe abgeschlossen. Wenn jedoch ein Fehler auftritt, z. B. wenn die KI die falschen Indizes summiert, fordert das Reflexionsmuster die KI auf, ihren Fehler zu analysieren. Die KI passt dann ihre Logik an und versucht die Aufgabe erneut, wiederholt den Prozess, bis sie zur richtigen Antwort gelangt. Dieser iterative Prozess der Bewertung, Korrektur und erneuten Ausführung setzt sich fort, bis die KI die Aufgabe abschließt und sicherstellt, dass sie sich im Laufe der Zeit verbessert und genauer wird.
# Werkzeugnutzungsmuster
Das Werkzeugnutzungsmuster ist eine Strategie, die es einem KI-System ermöglicht, externe Werkzeuge oder Ressourcen (opens new window) zu nutzen, um seine Fähigkeiten zu verbessern und Probleme zu lösen. Indem sie diese Werkzeuge nutzt, kann die KI auf große Mengen an Informationen zugreifen, komplexe Berechnungen durchführen und repetitive Aufgaben automatisieren. Dieses Muster ermöglicht es KI-Systemen, schwierigere Probleme anzugehen, effizienter zu arbeiten und kreative Lösungen zu generieren. Zum Beispiel könnte eine KI, die eine Geschichte schreibt, ein Sprachmodell verwenden, um Ideen zu generieren, eine Suchmaschine (opens new window) verwenden, um Informationen zu finden, oder eine Grammatikprüfung verwenden, um ihre Schreibweise zu verbessern. Durch die sorgfältige Auswahl der richtigen Werkzeuge kann die KI bessere Ergebnisse erzielen und ihre Fähigkeiten erweitern.
Diese Abbildung zeigt das Werkzeugnutzungsmuster in Aktion. Ein KI-System, dargestellt durch den freundlichen Roboter, erhält eine Anfrage: "Erstelle ein Bild eines Hammers." Um dieser Anfrage nachzukommen, nutzt die KI ein externes Werkzeug, speziell DALL-E (opens new window), ein KI-Modell, das Bilder basierend auf textuellen Beschreibungen erstellen kann. Die KI übermittelt die Anfrage an DALL-E, das die Anfrage bearbeitet und ein Bild eines Hammers erstellt. Dem Benutzer wird dann dieses Bild als Antwort der KI gezeigt, was veranschaulicht, wie die KI erfolgreich ein externes Werkzeug eingesetzt hat, um die Aufgabe zu erledigen.
# Planungsmuster
Das Planungsmuster ist eine Strategie, bei der ein KI-System eine Aufgabe in kleinere Aktionen oder Schritte unterteilt, um ein Ziel zu erreichen. Anstatt ein Problem direkt anzugehen, entwirft die KI zunächst einen Plan, der die erforderlichen Aktionen umreißt und die Schritte zur effektiven Erledigung der Aufgabe festlegt. Das System hält sich anschließend systematisch an diesen Plan, um das beabsichtigte Ergebnis zu erreichen. Diese Methode ermöglicht es der KI, komplexere Probleme anzugehen, indem sie ihre Aktionen plant und koordiniert.
Die Abbildung zeigt, wie die KI eine Aufgabe in kleinere, überschaubare Schritte aufteilt, um ihr Ziel zu erreichen. Anstatt alles auf einmal zu erledigen, erstellt die KI zunächst einen detaillierten Plan und folgt ihm dann Schritt für Schritt. Jede Aktion wird sorgfältig ausgewählt und fügt sich in den Gesamtplan ein, um sicherzustellen, dass die Aufgabe auf organisierte Weise abgeschlossen wird und zu einem erfolgreichen Ergebnis führt. Durch die Einhaltung dieses strukturierten Ansatzes stellt die KI sicher, dass nichts übersehen wird und das Ziel effizient erreicht wird.
# Multi-Agenten-Muster
Das Multi-Agenten-Muster beschreibt einen Rahmen, in dem mehrere autonome Agenten (opens new window) (oder KI-Systeme) zusammenarbeiten, um ein Problem zu lösen oder ein Ziel zu erreichen. Jeder Agent verfügt über einen bestimmten Satz von Fähigkeiten und Aufgaben, die es ihm ermöglichen, bestimmte Aktionen innerhalb der größeren Aufgabe auszuführen. Anstatt sich auf eine KI zu verlassen, um alle Teile der Aufgabe zu verwalten, teilt das System die Arbeitslast unter verschiedenen Agenten auf, von denen jeder seine einzigartige Expertise oder Fähigkeiten einbringt. Diese Agenten interagieren miteinander, teilen Informationen und stimmen ihre Aktivitäten ab, um sicherzustellen, dass die Aufgabe effektiv erledigt wird. Diese Teamarbeit ermöglicht eine flexiblere, skalierbare Lösung, da Agenten je nach Komplexität oder Anforderungen der Aufgabe hinzugefügt oder ausgeschlossen werden können. Darüber hinaus kann das System aufgrund der Unabhängigkeit jedes Agenten besser mit Ausfällen umgehen, da die anderen Agenten weiterhin funktionieren können, selbst wenn ein Agent ein Problem hat. Durch die Koordination ihrer Aktionen können diese Agenten größere und komplexere Probleme bewältigen als eine einzelne KI es alleine könnte.
In diesem Szenario interagiert ein Kunde mit einem System von vier Chatbots, von denen jeder als unabhängiger Agent mit einer bestimmten Aufgabe fungiert. Der Willkommensbot begrüßt den Kunden und sammelt Informationen über sein Anliegen. Wenn das Problem häufig vorkommt, liefert der FAQ-Bot Antworten. Bei komplexeren Problemen unterstützt der Technische Support-Bot bei der Fehlerbehebung, und wenn das Problem weiterhin ungelöst bleibt, übergibt der Eskalationsbot den Fall an einen menschlichen Agenten. Jeder Chatbot arbeitet autonom, arbeitet aber mit den anderen zusammen, indem er den Kunden an den richtigen Bot weiterleitet, um sicherzustellen, dass das Problem effizient gelöst wird. Diese Konfiguration ist ein Multi-Agenten-System, da jeder Chatbot ein unabhängiger Agent ist und sie zusammenarbeiten, um das gemeinsame Ziel der Lösung des Kundenproblems zu erreichen.
# Vergleich der Kernmuster in Agentic KI
Hier ist eine Vergleichstabelle, die die vier Designmuster Reflexionsmuster, Werkzeugnutzungsmuster, Planungsmuster und Multi-Agenten-Muster gegenüberstellt. Jedes Muster hat unterschiedliche Merkmale und Anwendungsfälle, die in der folgenden Tabelle zusammengefasst sind.
| Muster | Reflexionsmuster | Werkzeugnutzungsmuster | Planungsmuster | Multi-Agenten-Muster |
|---|---|---|---|---|
| Definition | Agenten ändern ihr eigenes Verhalten oder Wissen zur Laufzeit. | Agenten nutzen externe Werkzeuge, um Aufgaben zu erledigen. | Agenten erstellen und folgen Plänen, um spezifische Ziele zu erreichen. | Mehrere Agenten arbeiten zusammen, um ein gemeinsames Ziel zu erreichen. |
| Hauptfokus | Selbstbewusstsein und dynamische Anpassung. | Nutzung externer Ressourcen oder Werkzeuge. | Zielgerichtete Entscheidungsfindung basierend auf Plänen. | Zusammenarbeit und Koordination zwischen Agenten. |
| Hauptkomponenten | Introspektion, Verhaltensänderung. | Externe Werkzeuge oder Systeme, die von Agenten genutzt werden. | Pläne, Aktionen, Zielsetzung, Entscheidungsprozesse. | Unabhängige Agenten, Kommunikation, Zusammenarbeit. |
| Agentenverhalten | Der Agent passt sein Verhalten dynamisch an. | Der Agent verlässt sich auf Werkzeuge, um Aufgaben zu erledigen. | Der Agent folgt einem Plan, um spezifische Aktionen auszuführen. | Agenten erledigen spezifische Aufgaben und arbeiten mit anderen zusammen. |
| Zusammenarbeit | Fokussiert auf individuelles Agentenverhalten mit wenig externer Interaktion. | Externe Werkzeuge werden genutzt, aber keine Zusammenarbeit zwischen Agenten. | Die Zusammenarbeit beschränkt sich auf den Austausch oder die Koordination von Plänen. | Starke Zusammenarbeit mit Agenten, die Aktionen koordinieren. |
| Anwendungsfall | Adaptive Systeme, die Verhaltensänderungen erfordern. | Systeme, die externe Ressourcen für die Aufgabenerfüllung benötigen. | Robotik und Systeme, die strukturierte Aufgabenausführung erfordern. | Verteilte Systeme, bei denen Agenten koordinierte Aufgaben ausführen. |
| Komplexität | Komplex aufgrund der Notwendigkeit von Introspektion und Verhaltensänderungen. | Weniger komplex, aber abhängig von externen Ressourcen. | Komplexität bei der Generierung und Befolgung von detaillierten Plänen. | Komplex aufgrund der Koordination und Kommunikation zwischen Agenten. |
# Fazit
Agentic KI bringt einige echte Vorteile mit sich - Automatisierung von Aufgaben, intelligentere Entscheidungsfindung, Personalisierung von Dienstleistungen und die Möglichkeit, rund um die Uhr zu arbeiten. Indem sie diese Verantwortlichkeiten übernimmt, hilft sie, den Bedarf an ständiger menschlicher Eingabe zu reduzieren, alles effizienter zu gestalten, Kosten zu senken und Unternehmen Raum zum Wachsen zu geben. Ihre Fähigkeit, in Echtzeit zu lernen und sich anzupassen, macht sie besonders nützlich in Bereichen wie Gesundheitswesen, Finanzen und Kundenservice, wo Geschwindigkeit und Genauigkeit entscheidend sind.
Das Potenzial von Agentic KI ist wirklich aufregend. Sie kann neue Ideen inspirieren, Prozesse reibungsloser gestalten und anspruchsvolle Probleme angehen. In Bereichen wie Gesundheitswesen (opens new window) und Finanzen können KI-Agenten bei der Diagnose von Krankheiten, der Identifizierung von Betrug und der Automatisierung repetitiver Aufgaben unterstützen. Mit dem Fortschreiten der KI wird ihre Fähigkeit zur Zusammenarbeit mit anderen Systemen, zur fairen Entscheidungsfindung und zum Umgang mit Risiken Branchen transformieren und Unternehmen überall neue Möglichkeiten eröffnen.
